Predict Before You Step: Auditable Occupancy Forecasting for Dynamic Obstacle Avoidance under Sparse Guidance
作者: Yuhui Mao, Fen Liu, Shenghai Yuan, Tianxin Hu, Ruimeng Liu, Rong Su
分类: cs.RO
发布日期: 2026-09-22
💡 一句话要点
提出LOOP以解决动态障碍物避让问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 动态避障 腿式机器人 递归预测 LiDAR 稀疏航点 运动控制 实时决策
📋 核心要点
- 现有方法在动态环境中对移动障碍物的避让能力不足，尤其是在稀疏航点指导下，难以实时做出反应。
- 本文提出LOOP，通过递归预测未来占用情况，结合当前地图和速度历史，优化动态避障策略。
- 实验结果表明，LOOP在高达57.1%的正面成功率上超越了传统反应基线，且在真实环境中表现出色。
📝 摘要（中文）
在稀疏航点指导下，腿式机器人必须利用部分、快速变化的LiDAR观测来避开移动障碍物。本文提出了LOOP（潜在递归占用预测策略），该策略将稀疏航点指导与以50Hz运行的固定运动控制器连接。通过占用和自我速度历史，递归预测器在1秒的时间范围内预测未来的占用情况，利用学习到的流动和可见性门对当前地图进行变形。这些地图通过地图派生特征和几何风险估计来指导速度选择，提供了一个明确的接口用于检查和替换预测。在与Isaac Lab的同步评估中，LOOP在障碍物速度为2.5-3.2 m/s时实现了57.1%的正面成功率，超过了重新训练的反应基线8.2个百分点。与无回滚的BEV策略比较，预测分支在不同场景中显示出较小的增益，包括在最高正面速度下提高了穿越成功率和减少了训练种子的变异性。该适配器在Unitree Go2上以每步14.5毫秒运行，并在16次真实世界穿越试验中无碰撞，展示了部署的可行性。
🔬 方法详解
问题定义：本文旨在解决腿式机器人在稀疏航点指导下，如何有效避开动态障碍物的问题。现有方法在快速变化的环境中反应不够灵活，导致避障失败。
核心思路：论文的核心思路是通过递归预测未来的占用情况，利用学习到的流动和可见性门对当前地图进行变形，从而为机器人提供更准确的避障决策依据。
技术框架：整体架构包括三个主要模块：1) 占用和自我速度历史的收集；2) 递归预测器生成未来占用地图；3) 基于地图特征和风险估计指导速度选择。
关键创新：最重要的技术创新在于将递归预测与固定运动控制器相结合，提供了一种新的动态避障策略，与现有的反应式方法相比，具有更高的成功率和适应性。
关键设计：在设计中，采用了学习到的流动和可见性门来处理输入数据，损失函数设计为优化预测精度，网络结构则基于递归神经网络，以实现对时间序列数据的有效建模。
🖼️ 关键图片
📊 实验亮点
实验结果显示，LOOP在动态障碍物避让任务中实现了57.1%的正面成功率，超越了重新训练的反应基线8.2个百分点。此外，该方法在真实环境中完成了16次穿越试验，均未发生碰撞，验证了其实际应用的可行性。
🎯 应用场景
该研究的潜在应用领域包括自主移动机器人、无人驾驶汽车和智能物流系统等。通过提高动态避障能力，LOOP能够在复杂环境中实现更安全和高效的导航，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Legged robots under sparse waypoint guidance must avoid moving obstacles using partial, rapidly changing LiDAR observations. We present LOOP (Latent-recurrent Occupancy rollOut Policy), a local avoidance policy that connects sparse waypoint guidance to a frozen locomotion controller at 50 Hz. From occupancy and ego-velocity histories, a recurrent predictor forecasts future occupancy over a 1 s horizon by warping the current map with learned flow and visibility gates. These maps guide velocity selection through map-derived features and geometric risk estimates, providing an explicit interface for inspecting and replacing predictions. In encounter-synchronised Isaac Lab evaluations, LOOP achieves 57.1% head-on success at obstacle speeds of 2.5-3.2 m/s, exceeding a retrained reactive baseline by 8.2 percentage points. Comparisons with a rollout-free BEV policy show smaller, scenario-dependent gains from the prediction branch, including improved crossing success and reduced variability across training seeds at the highest head-on speeds. The adapter runs onboard a Unitree Go2 in 14.5 ms per step and completes all 16 real-world crossing trials without collision, demonstrating deployment feasibility.